Detección de lesiones del ligamento cruzado anterior en resonancias magnéticas de rodilla mediante aprendizaje profundo

Abstract

[Resumen] La resonancia magnética de rodilla es la técnica de referencia para el diagnóstico de lesiones del ligamento cruzado anterior (LCA), pero su interpretación está sujeta a una variabilidad inter e intraobservador considerable que puede comprometer la detección de lesiones reales. Este trabajo propone un sistema de detección automática de lesiones del LCA basado en aprendizaje profundo, estructurado en dos fases secuenciales: una primera de triaje general, que identifica los estudios con posibles hallazgos, y una segunda de clasificación específica de la lesión. Cada fase procesa de forma independiente los tres planos estándar de adquisición mediante redes ResNet-18 dotadas de un mecanismo de atención, cuyas salidas se combinan de forma ponderada. Evaluado mediante validación cruzada estratificada de 5 folds sobre el conjunto de datos MRNet, el sistema alcanza un AUC de 0,838 y una sensibilidad del 84,7 %. El preprocesamiento de las imágenes, en particular la ecualización adaptativa del contraste (CLAHE), mejora de forma estadísticamente significativa el rendimiento respecto a la versión base. El sistema se complementa, además, con mapas de activación GradCAM++ que aportan interpretabilidad a sus predicciones.

[Abstract] Knee magnetic resonance imaging is the reference technique for diagnosing an terior cruciate ligament (ACL) injuries, yet its interpretation is subject to significant inter- and intra-observer variability that may lead to missed pathologies. This work proposes a deep learning system for the automatic detection of ACL injuries, structured in two sequential phases: a first general triage stage that identifies studies with potential findings, and a second stage of specific injury classification. Each phase independently processes the three standard acquisition planes using ResNet-18 networks equipped with an attention mechanism, whose outputs are combined through a weighted scheme. Evaluated through stratified 5-fold cross-validation on the MR Net dataset, the system achieves an AUC of 0.838 and a sensitivity of 84.7 %. Image preprocessing, in particular adaptive contrast equalisation (CLAHE), yields a sta- tistically significant improvement over the baseline version. The system is further complemented with GradCAM++ activation maps that provide interpretability for its predictions.